Densely pyramidal residual network for UAV-based railway images dehazing

Neurocomputing 2019

Yunpeng Wu, Yong Qin, Zhipeng Wang, Xiaoping Ma, Zhiwei Cao

简介

文章是基于无人机的去雾算法。无人机在执行检测轨道任务是，常遇雾霾天气，对检测轨道安全产生了影响。文章对于这一场景做了对应的研究。文章对于网络结果和损失函数做了创新工作。网络结构使用了密集金字塔残差端到端网络（DPRNet），损失函数采用了结构相似性。

Motivation

由于估算A和t然后得到J的计算过程估算了两个参数，会积累和放大误差，因此文章认为使用端到端的去雾网络会更好。

并且在对无人机拍摄的图像去雾时，会面临以下几个问题：

无人机拍摄的图像大气光不均匀，在有雾环境下会比较暗，并且带有一定的噪声和抖动。
一般无人机拍摄的图像深度信息可能缺乏，即航拍图的深度大体上都差不多。由此估算深度信息会比较困难。
数据不多，没有成对的无人机拍摄的有雾图像数据集。

Model

图中 $D_0$ 为DRB 1的输入， $D_1$ 为DRB 1的输出，其他同理。图分为左右两块，由红色虚线分开，其中左边为高分辨率部分（HR）不包含池化层，右边为低分辨率部分（LR）包含两个池化层。上图灰色部分是彩色部分的结构解释。高分辨率部分主要由DRB（dense residual blocks）组成，低分辨率部分主要由ERB（enhanced residual blocks）组成。